正则表达式匹配规则

前面已经讲过

"*"

,

"-"

,

"?"

等元字符，它们都有各自的特殊含义。如果想匹配没有预定义元字符的字符集合，或者表达式和已知定义相反，或者存在多种匹配情况，应该怎么办？

字符组

查找数字、字母、空白很简单，因为已经有了对应这些字符集合的元字符，但是如果想匹配没有预定义元字符的字符集合（比如元音字母a、e、i、o、u），方法很简单，只需要在方括号里列出它们。

例如

[aeiou]

匹配任何一个英文元音字母，

[.?!]

匹配标点符号（”.”、”?”、”!”），

c[aou]t

匹配”cat”,”cot”,”cut”这三个单词，而”caout”则不匹配。

注意：[]匹配单个字符，尽管看起来[]里有好多字符。

也可以指定字符范围，例如

[0-9]

的意义与

\d

完全一致：代表以为数字；同理

[a-z0-9A-Z_]

完全等价于

\w

(如果只考虑英文)。

字符组很简单，但是一定要弄清楚字符组中什么时候需要转义。

转义

如果想查找或匹配元字符本身，比如查找

*、?

等就出现问题：没办法指定，因为它们会被解释成别的意思。这时就使用

\

来取消这些字符的特殊意义。因此，应该使用

\.

和

\*

。当然，查找

\

本身用

\\

。这叫做转义。

通俗地讲，转义就是防止特殊字符被解析，或者说用某个符号表示另一个特殊符号。例如：

unibetter\.com

匹配

unibetter.com

,

C:\\Windows

匹配

C:\Windows

。

在JavaScript或者PHP中都接触过转义的概念。例如，JavaScript中要弹出一个对话框，对话框中需要分成两行显示，用HTML的

<br>

标签或者在源代码里手工换行都不行，应该用

\r\n

表示换行并新起一行，如下所示：

alert("警告<br>操作无效");//错误
alert("警告\r\n操作无效");//正确

在PHP里使用反斜杠（\）表示转义，\Q和\E也可以在模式中忽略正则表达式元字符，比如：

\d+\Q.$.\E$

以上表达式先匹配一个或多个数字，紧接着一个点号，然后一个，再然后一个点号，最后是字符串末尾。也就是说，\Q和\E之间的元字符都会作为普通字符用来匹配。

正则表达式是不是遇到这些特殊字符就该转义呢？答案显然是否定的。转义只有在一定条件下，比如可能引起歧义或者被误解析的情况下才需要。有些情况并不需要转义这些“特殊”字符，并且在时转义也是无效的。这需要不断尝试并积累经验。看一个例子：

<?php
$reg = "#[aby\}]#";
$str = 'a\bc[]{}';
preg_match_all($reg,$str,$m);
var_dump($m);

运行结果为

array(1) { [0]=> array(3) { [0]=> string(1) "a" [1]=> string(1) "b" [2]=> string(1) "}" } }

在字符组中匹配”a”,”b”,”y”和”}”中任意一个，由于

"}"

是元字符，具有特殊意义，所以这里进行了转义，使用

"\}"

表示

"}"

。

但是实际上，这个转义是多余的。虽然”}”是元字符，具有特殊意义，但是

在字符组中，”}”却无法发挥意义，不会引起歧义，所以不需要转义。在这里

"\}"

和

"}"

是等价的。

既然转义符

"\"

是多余的，那么会不会被当作普通字符呢？字符串str里有

"\"

，但是可以从代码运行结果中看出，

"\"

字符并没有被匹配，也就是说正则表达式

“#[aby\}]#”

中，虽然

"\"

转义符是多余的，但是也并没有被当作普通字符进行匹配。

如果确实要把

"\"

当作普通字符匹配，正则表达式需要写成：

<?php
$reg = "#[aby\\\}]#";
$str = 'a\bc[]{}';
preg_match_all($reg,$str,$m);
var_dump($m);

运行结果为：

array(1) { [0]=> array(4) { [0]=> string(1) "a" [1]=> string(1) "\" [2]=> string(1) "b" [3]=> string(1) "}" } }

前面提到，不是所有出现特殊字符的地方都要转义。例如，以下正则表达式可以匹配“cat”、“c？t”、“c）t”等字符：

c[aou?*)]t

其中

"?"

和

"*"

等特殊字符都不需要转义。原因很简单，字符组里匹配的是单个字符，这些特殊字符不会引起歧义。

字符组里可以使用转义吗？可以，例如

"c[\d]d"

可以匹配“c1d”、“c2d”等。下面是复杂的表达式：

\(?0\d{2}[) -]?\d{8}

“(“和”)”也是元字符，所以在这里需要转义。这个表达式可以匹配几种格式的电话号码，例如(010)11223344、012-11223344或01211223344等。首先是转义符”(“，表示出现0次或1次(?),然后是一个0，后面跟着两个数字(\d{2}),然后是”)”、”-“或空格中的一个，出现出现0次或1次(?),最后是8个数字(\d{8})。

反义

有些时候，查找的字符不属于某个字符类，或者表达式和已知定义相反（比如除了数字以外其他任意字符），这时需要用到反义。常用反义如表所示。



反义有个比较明显的特征，就是和一些已知元字符相反，并且为大写形式。比如”\d”表示数字，而”\D”就是表示非数字。例如

1）匹配不包含空白符的字符串

\S+

2）用尖括号括起来，以a开头的字符串

<a[^>]+>

比如，要匹配字符串

"<a href='http://baidu.com'>百度</a>"

，这个正则表达式的匹配结果就是

"<a href='http://baidu.com'>"

。

提示：”^”在这里是”非”的意思，不要和表示开头的”^”混淆。那怎么区分呢？很简单，表示开始位置的”^”只能用在正则表达式的最前端，而表示取反的”^”只用在字符组中，即只在中括号中出现。记住这一点，就不会搞混了。

日常工作中反义用得不多，因为扩大了范围。例如程序里的变量，第一个字符不允许是数字，一般使用

"＾[a-zA-Z＿]"

表示，而不会使用

"\D"

，因为

"\D"

扩大了范围，包括所有非数字的字符，显然，变量命名不仅仅要求第一个字符不是数字，也不能是其他除了26个大小写字母和下画线以外的字符。因此，不要随意使用反义，以免无形中扩大范围，而使自己没有考虑到。

分支

分支就是存在多种可能的匹配情况。例如，匹配“cat”或者“hat”，可以写成

[ch]at

；要匹配“cat”、“hat”、“fat”、“toat”，很显然不能用字符组匹配的方式。这里表明前面的匹配字符可以是c、h、f或者to，而[]只能匹配单个字符，此时可用分支形式，即：

(c|h|f|to)at

其中括号里的表达式将视作一个整体（后面会讲到分组的概念），“｜”表示分支，即可能存在的多种情况，可以匹配多个字符。分支的功能更强大，字符组方式只能对单个字符“分支”，而分支可以是多个字符以及更复杂的表达式。但对于单字符的情况，字符组的效率更高。也就是说，能使用字符组就不用分支。

注：上述的

[ch]at

可以写成

(c|h)at

。

正则表达式分支条件指有几种规则，无论满足其中哪一种规则都能匹配，具体方法是用“｜”把不同规则分隔开，例如：

0\d{2}-\d{8}|0\d{3}-\d{7}

这个表达式能匹配以”-“分隔的电话号码：一种是3位区号，8位本地号码（如010-11223344），一种是4位区号，7位本地号码（如0312-1223454）。匹配3位区号的电话号码表达式如下：

\(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}

其中区号可以用小括号括起来，也可以不用，区号与本地号间可以用”-“或空格隔开，也可以没有间隔。

例如，美国邮编规则是5位数字，或者用连字号间隔的9位数字。匹配表达式如下所示：

\d{5}-\d{4}|\d{5}

另外，使用分支条件时，要注意各个条件的顺序。如果改成如下形式，就只匹配5位邮编以及9位邮编的前5位。

\d{5}|\d{5}-\d{4}

注意：匹配分支条件时，将从左到右测试每个条件，如果满足某个分支，就不会再考虑其他条件了

分组

重复单个字符只需要直接在字符后面加上限定符，但如果想重复多个字符又该怎么办呢？可以用小括号指定子表达式，然后规定这个子表达式的重复次数，也可以对子表达式进行其他一些操作。常用分组语法如表所示。



例如：简单的IP地址匹配表达式如下：

(\d{1,3}\.){3}\d{1,3}

要理解上述表达式，应按照如下顺序分析：

1）匹配1-3位的数字：

\d{1,3}

2）匹配3位数字机上1个英文句号（分组），重复3次（最后加上一个1-3位的数字）：

(\d{1,3}\d){3}

IP地址中每个数字都不能大于255，所以严格的说这个正则是有问题的。如果使用算术比较，或许能简单地解决这个问题，但是正则表达式中没有提供关于数学的任何功能，所以只能使用冗长的分组、选择、字符类来描述一个正确的IP地址，如下所示：

((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)

解析：

2[0-4]\d|25[0-5]|[01]?\d\d?

上述就能表示0-255，因为

2[0-4]\d

表示的为200-249，

25[0-5]

表示的是250-255，

[01]?\d\d?

表示的为0-199。

默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组，其组号为1，第二个为2，以此类推；分组0对应整个正则表达式。

也可以自己指定子表达式的组名，语法如下：

?<Word>\w+

把尖括号换成单引号也行，如下所示：

？'Word'\w+

这样就把＼w+组名指定为Word。

提示:组号分配远没有这么简单。组号分配过程是要从左向右扫描两遍：第一遍只给未命名组分配，第二遍只给命名组分配。因此，所有命名组的组号都大于未命名的组号。可以使用语法

(?:exp)

剥夺一个分组对组号分配的参与权。

反向引用

反向引用用于重复搜索前面某个分组匹配的文本。例如，”\1”代表分组1匹配的文本：

\b(\w+)\b\s+\1\b

以上表达式可以匹配重复的单词，例如go go或者kitty kitty。首先这个表达式是一个单词，也就是单词开始处和结束处之间大于一个的字母或数字，即”\b(\w+)\b”，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词），即\1，这样就相当于把匹配的重复一次。

要反向引用分组捕获的内容，可以使用

"\k<Word>"

，所以上个例子可以写成这样：

\b(?<Word>\w+)\b\s+\k<Word>\b

例如，要捕获字符串

"This is a 'string'"

引号内的字符，如果使用一下正则表达式:

(\"|').*?(\"|')

将返回

"This is a '

。显然，这并不是我们想要的内容。这个表达式从第一个双引号开始匹配，遇到单引号之后就错误地结束匹配。这是因为表达式里包含”|”，也就是双引号（”）和单引号（’）均可。要修正这个问题可以用反向引用。

表达式“\1，\2，……，\9”是对前面已捕获子内容的编号，可以作为对这些编组的“指针”引用。在此例中，第一个匹配的引号就由1代表。可以这么写成：

("|\').*?\1

如果使用命名捕获组，可以写成：

(?P<quote>"|').*?(?P=quote)

看PHP使用反向引用的例子。

在很多论坛中都会看到UBB标签代码。UBB标签最早的设计是用来在论坛和留言本里代替HTML，实现一些简单的HTML效果，同时防止滥用HTML出现安全问题。例如，HTML中粗体的标签是：

<b>粗体</b>

或者

<strong>粗体</strong>

而UBB标签则是：

粗体

UBB标签以其更好的安全性，目前已经成为论坛发帖的代码标准，只不过不同论坛产品的叫法不一样而已。

最终，UBB标签还是要解析成HTML代码，才能让浏览器认识。这个过程是怎样实现的呢？下面以URL标签为例解释。

例如，UBB标签

1.gif

用于插入表情。在解析时，需要把1.gif换成实际路径，并且需要用HTML的IMG标签进行替换，方法如下所示：

<?php
$str='1.gif2.gif3.gif';
$s=preg_replace("#\[url\](?<WORD>\d\.gif)\[\/url\]#","<img src=http://www.test.com/upload/$1>",$str);
var_dump($s);

运行结果为：

string(126) "<img src=http://www.test.com/upload/1.gif><img src=http://www.test.com/upload/2.gif><img src=http://www.test.com/upload/3.gif>"

这里再给出一个表达式实现同样的效果：

<?php
$str='1.gif2.gif3.gif';
$s=preg_replace("#\[url\](.*?)\[\/url\]#","<img src=http://www.test.com/upload/$1>",$str);
var_dump($s);

环视

断言用来声明一个应该为真的事实。正则表达式中，只有当断言为真时才会继续进行匹配。断言匹配的是一个事实，而不是内容。本文将介绍四个断言，它们用于查找在某些内容（但并不包括这些内容）之前或之后，也就是一个位置（如\b、＾、）应该满足的一定条件（即断言），因此也称为零宽断言。

1.顺序肯定环视(?=exp)

零宽度正预测先行断言，又称顺序肯定环视，断言自身出现位置的后面能匹配表达式exp。

比如，匹配以“ing”结尾的单词前面部分（除了“ing”以外的部分）：

\b\w+(?=ing\b)

2.逆序肯定环视(?<=exp)

零宽度正回顾后发断言，又称逆序肯定环视，断言自身出现位置的前面能匹配表达式exp。

比如，以re开头的单词的后半部分（除了re以外的部分）：

(?<=\bre)\w+\b

<?php
$reg = "#(?<=\bre)\w+\b#";
$str = 'reading a book';
preg_match_all($reg,$str,$m);
print_r($m);

运行结果为：

Array ( [0] => Array ( [0] => ading ) )

下面这个例子，同时使用上面这两种断言，匹配以空白符间隔的数字（再次强调，不包括这些空白符）：

(?<=\s\d+(?=\s))

前面提到过反义，用来查找不是某个字符或不在某个字符类里的字符。如果只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？例如，如果想查找这样的单词——出现字母q，但是q后面跟的不是字母u。可以尝试这样：

\b\w*q[^u]\w*\b

以上表达式匹配包含后面不是字母u的字母q的单词。但是如果多做几次测试就会发现，如果q出现在单词的结尾，例如Iraq、Benq，这个表达式就会出错。这是因为[＾u]总要匹配一个字符，如果q是单词的最后一个字符，后面的“[＾u]”将会匹配q后面的单词分隔符（可能是空格、句号或其他），后面的“\w*\b”将会匹配下一个单词，于是以上表达式就能匹配整个Iraq fighting。

逆序肯定环视能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，解决这个问题如下所示：

\b\w*q(?!u)\w*\b

<?php
$reg = "#\b\w*q[^u]\w*\b#";
$str = 'Iraq fighting';
preg_match_all($reg,$str,$m);
print_r($m);

运行结果为：

Array ( [0] => Array ( [0] => Iraq fighting ) )

<?php
$reg = "#\b\w*q(?!u)\w*\b#";
$str = 'Iraq fighting';
preg_match_all($reg,$str,$m);
print_r($m);

运行结果为：

Array ( [0] => Array ( [0] => Iraq ) )

3.顺序否定环视(?!exp)

零宽度负预测先行断言，又称顺序否定环视，断言此位置的后面不能匹配表达式“exp”。例如：

1）匹配3位数字，而且这3位数字的后面不能是数字：

\d{3}(?!\d)

2）匹配不包含连续字符串abc的单词：

\b((?!abc)\w)+\b

如果匹配的单词是c开头、t结尾，中间有一个字符，但不能是u（也就是说，整个单词不能是cut），直接用“c[＾u]t”就可以了，若中间的字符不能是a或u（也就是说，整个单词不能是cat或cut），则表达式改为“c[＾au]t”。

这个表达式能匹配的只是cot之类的单词，因为中间的排除型字符组“[＾au]”必须匹配一个字符。可是，如果还想匹配chart、conduct和court怎么办？最简单的想法是：去掉排除型字符组的长度限制，改成“c[＾au]+t”。

不幸的是，这样行不通，因为这个表达式的意思是：c和t之间由多于一个“除a或u之外的字符”构成，而chart、conduct和court都包含a或u。

我们发现，其实要否定的是“单个出现的a或u”，而不仅仅是“出现的a或u”，所以才出现这样的问题。要解决这个问题，就应当把意思准确表达出来，变成“在结尾的t之前，不允许只出现一个a或u”。想到这一步，就可以用顺序否定环视（？！……）来解决。表示在这个位置向右，不允许出现子表达式能够匹配的文本，把子表达式规定为“[au]t\b”（最后的“\b”很重要，它出现在t之后，保证t是单词的结尾字母）。有了限制，匹配a和t之间文本的表达式就随意很多，可以用匹配单词字符的简记法“\w”表示，于是整个表达式变成：

c(?![au]t\b)\w+t

注意：这里出现的并不是排除型字符组

[^au]

，而是普通的字符组[au]，因为顺序否定环视本身已经表示了否定。

进一步思考，整个匹配文本中都不能出现字符串“cat”，要怎么办呢？这个正则表达式应该是：

^(?:(?!cat).)+$

即在文本中的任意位置，都不能出现该字符串。

4.逆序否定环视(?

(?<![a-z])\d{7}

分析以下表达式，匹配不包含属性的简单HTML标签内的内容：

(?<=<(\w+)>).*(?=<\/\1>)

以上表达式最能表现零宽断言的真正用途。（＜？（＼w+）＞）指定前缀为：被尖括号括起来的单词（比如可能是“＜b＞”），然后是“.*”（任意的字符串）最后是一个后缀（？=＜＼/＼1＞）。【注意】后缀里的“＼/”，用到了前面提过的字符转义；“＼1”则是反向引用，引用的正是捕获的第一组，即前面（＼w+）匹配的内容，如果前缀实际上是“＜b＞”，后缀就是“＜/b＞”。整个表达式匹配的是“＜b＞”和“＜/b＞”之间的内容（再次提醒，不包括前缀和后缀本身）。

总体而言，环视相当于对“所在位置”附加一个条件，难点就在于找到这个“位置”。这一点解决了，环视就没有什么秘密可言了。

贪婪/懒惰匹配模式

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。例如以下表达式将匹配以a开始，以b结束的最长字符串：

a.*b

如果用来搜索“aabab”，它会匹配整个字符串“aabab”。这就是贪婪匹配。

有时，需要匹配尽可能少的字符，也就是懒惰匹配。前面给出的限定符都可以转化为懒惰匹配模式，只要在后面加上一个问号。例如“.*？”就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。例如，匹配以a开始、以b结束的最短字符串，正则表达式如下：

a.*?b

把上述表达式应用于aabab，如果只考虑“.*？”这个表达式，最先会匹配到aab（1～3字符）和ab（第2～3个字符）这两组字符。

为什么第一个匹配是aab（第1～3个字符）而不是ab（第2～3个字符）？简单地说，正则表达式有另一条规则，比懒惰/贪婪规则的优先级更高：最先开始的匹配拥有最高优先权。

常用懒惰限定符如表所示。



懒惰模式匹配原理简单来说，是在匹配和不匹配都可以的情况下，优先不匹配，记录备选状态，并将匹配控制交给正则表达式的下一个匹配字符。当后面的匹配失败时，回溯，进行匹配。关于回溯以及正则表达式效率等高级内容，可以查阅《精通正则表达式》一书。

例如：

<?php
$str='1.gif2.gif3.gif';
$s=preg_replace("#\[url\](.*?)\[\/url\]#","<img src=http://www.test.com/upload/$1>",$str);
var_dump($s);

运行结果为：

string(126) "<img src=http://www.test.com/upload/1.gif><img src=http://www.test.com/upload/2.gif><img src=http://www.test.com/upload/3.gif>"

如果改为贪婪匹配

<?php
$str='1.gif2.gif3.gif';
$s=preg_replace("#\[url\](.*)\[\/url\]#","<img src=http://www.test.com/upload/$1>",$str);
var_dump($s);

运行结果为：

string(74) "<img src=http://www.test.com/upload/1.gif[/url]2.gif[url]3.gif>"

在贪婪模式下，由于匹配表达式是“.*”，即任意字符出现任意次，这个正则表达式会一直匹配[url]后的内容，直到遇到结束条件“[＼/”。

实际开发中，涉及贪婪模式与懒惰模式的地方是很多的。在一定情况下，使用懒惰模式可以减少回溯，提高效率。